適格性を考慮したエビデンス統合：臨床試験メタアナリシスのためのエージェント型フレームワーク

arXiv cs.AI / 2026/4/6

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、適格性を考慮したメタアナリシスと自動化された試験発見を組み合わせた、エンドツーエンドの臨床試験エビデンス統合のためのエージェント型フレームワーク「EligMeta」を導入する。
これまでのLLMアプローチはシステマティックレビューの一部を自動化できるものの、臨床的な適合性を考慮する場合には、完全で再現可能なエビデンス統合が欠けがちであると主張する。
EligMetaは、自然言語の質問から解釈可能な適格性ルールを導出し、選択・重み付け・統計的プーリングを決定論的に実行することで、従来のメタアナリシスを改善する。
このフレームワークは、適格性の整合度に基づく類似度ベースの研究重みを計算し、単に統計的精度のみに依存するのではなく、コホート固有のプール推定を可能にする。
胃がんと、オラパリブの有害事象設定での実験により、適格性を考慮した重み付けが、（例：リスク比を2.18から1.97へとシフトするなど）プールされた効果推定を実質的に変えうる一方で、ガイドラインで引用される試験は維持できることが示される。

Abstract

臨床エビデンス合成では、大規模レジストリから関連する試験を特定し、集団の違いを考慮しながら結果を集約する必要がある。近年、LLMベースのアプローチによりシステマティックレビューの一部は自動化されつつあるが、エンドツーエンドのエビデンス合成は支援できない。さらに、従来のメタアナリシスでは、適格基準に反映された臨床的適合性を考慮せず、統計的精度だけによって研究に重み付けを行う。そこで我々は、EligMetaというエージェント型の枠組みを提案する。この枠組みは、単純な試験発見の自動化と、適格性を考慮したメタアナリシスを統合し、自然言語クエリを再現可能な試験選択へと翻訳するとともに、適格性の整合性を研究の重み付けに組み込むことで、コホート固有のプール推定値を生成する。EligMetaは、LLMベースの推論と決定論的な実行を分離するハイブリッドアーキテクチャを採用する。すなわち、LLMは自然言語クエリから解釈可能なルールを生成し、試験メタデータに対してスキーマ制約付きのパースを行う一方で、論理演算、重み計算、統計的プーリングはすべて決定論的に実行して再現性を保証する。枠組みは適格性基準を構造化し、目標試験と比較試験の間での集団整合性を反映する類似度ベースの研究重みを計算する。胃がんの状況解析では、EligMetaはルールベースのフィルタリングにより4,044件の候補試験を39件の臨床的に関連する研究へと削減し、ガイドラインで引用された13件の試験をすべて回復した。4つの試験にまたがるオラパリブの有害事象に関するメタアナリシスでは、適格性を考慮した重み付けにより、従来のMantel-Haenszel推定で2.18（95% CI: 1.71-2.79）だったプール推定のリスク比が、1.97（95% CI: 1.76-2.20）へとシフトした。これは、適格性の整合性を組み込むことの定量可能な影響を示している。EligMetaは、自動化された試験発見と適格性を考慮したメタアナリシスを橋渡しし、精密医療におけるエビデンス合成のための、スケーラブルで再現可能な枠組みを提供する。